Tóth Bálint, Németh Géza Rejtett Markov-modell alapú mesterséges beszédkeltés magyar nyelven 2

A Hírközlési és Informatikai Tudományos Egyesület folyóirata Tartalom BESZÉDTECHNOLÓGIÁK 1 Tóth Bálint, Németh Géza Rejtett Markov-modell alapú mesterséges beszédkeltés magyar nyelven 2 Csapó Tamás Gábor, Németh Géza, Fék Márk Szövegfelolvasó természetességének növelése 7 Zainkó Csaba Magyar nyelvû, kötött témájú korpusz-alapú beszédszintézis és a kötetlenség felé vezetô út vizsgálata 12 Németh Géza, Olaszy Gábor, Bartalis Mátyás, Zainkó Csaba, Fék Márk, Mihajlik Péter Beszédadatbázisok elôkészítése kutatási és fejlesztési célok hatékonyabb támogatására 18 Pintér István Beszéd kiemelése zajból a rekonstruált fázistérben 25 Tihanyi Attila, Feldhoffer Gergely, Oroszi Balázs, Takács György IPTV hanginformáció siketek számára 30 Wersényi György Számítógépes teremakusztikai szimuláció hangtér optimalizáláshoz 35 Szaszák György, Vicsi Klára Prozódiai információ felhasználása a beszédfelismerés hatékonyságának növelésére 45 Kovács György, Sajó Levente, Fazekas Attila Multi-modális gépi sakkozó Török-2 51 Huszty Gábor A Huszty Dénes Alapítvány a hazai akusztikai szakma fejlôdéséért 55 Védnökök SALLAI GYULA a HTE elnöke és DETREKÔI ÁKOS az NHIT elnöke BARTOLITS ISTVÁN BÁRSONY ISTVÁN BUTTYÁN LEVENTE GYÔRI ERZSÉBET Fôszerkesztô SZABÓ CSABA ATTILA Szerkesztôbizottság Elnök: ZOMBORY LÁSZLÓ IMRE SÁNDOR KÁNTOR CSABA LOIS LÁSZLÓ NÉMETH GÉZA PAKSY GÉZA PRAZSÁK GERGÔ TÉTÉNYI ISTVÁN VESZELY GYULA VONDERVISZT LAJOS

Beszédtechnológiák nemeth@tmit.bme.hu Ebben a számban egyrészt a gépi beszédkeltés fejlôdésének aktuális kérdéseirôl olvashatunk, másrészt a szélesebb értelemben vett akusztikai, beszéd- és jelfeldolgozás eredményeibôl kaphatunk ízelítôt. Az elsô blokk a gépi beszédkeltéshez kapcsolódó négy írásból áll. Elsôként egy áttekintô jellegû cikket olvashatunk arról, hogyan lehet a beszédfelismerésben már hosszabb ideje meghonosodott, rejtett Markov-modell (Hidden Markov Modell, HMM) alapú technológiát a magyar nyelvû beszédszintézis területén is alkalmazni. A gépi beszédkeltés minôsége már elért arra a szintre, hogy a szövegek érthetôsége ritkán jelent problémát. A hosszabb, géppel elôállított felolvasás azonban általában monotonnak, robotosnak tûnik. A monotonitás csökkentésére kidolgozott új eljárást mutat be a második dolgozat. A legjobb hangminôséget ma a jelentôs méretû (több óra) hanganyagot alkalmazó és többnyire kötött témakörökre kidolgozott, úgynevezett korpusz-alapú beszédszintetizátorok adják. A harmadik cikk azt vizsgálja, hogy a magyar nyelvre, kötött témakörökre kidolgozott korpusz-alapú technológiát hogyan lehetne a kötetlen szókészlet irányába kiterjeszteni. Ezt a blokkot a beszédadatbázisok pontosabb címkézésének megoldásait elemzô írás zárja. Ennek az ad jelentôséget, hogy az adatbázisokra épülô alkalmazások teljesítménye jelentôs mértékben függ az adatbázis-címkézés minôségétôl. A második blokk a beszéd- és más akusztikai jeleket változatos megközelítésben elemzô öt dolgozatot tartalmaz. Elôször egy érdekes zajcsökkentési algoritmusról olvashatunk. Ezután a PPKE kutatóinak a Híradástechnika korábbi számaiban már részletesen ismertetett, akusztikus jelbôl szájmozgást modellezô eljárásának egy újabb alkalmazását ismerhetjük meg. A megoldás segítségével IPTV-s jelfolyamba valós idôben illeszthetô a siket embereket segítô, géppel keltett szájmodell. Majd egy, a számítógépes modellezésnek a teremakusztikában történô alkalmazását konkrét példákkal illusztráló cikk következik. A természetes beszédértésben jelentôs szerepe van a prozódiának, például sok esetben egy mondat kérdô vagy kijelentô jellege csak annak alapján dönthetô el. A gépi beszédfelismerés azonban ennek a feldolgozására csak ritkán vállalkozik. Egy ilyen kísérletet mutat be a blokk utolsó elôtti írása. A záró dolgozat egy Kempelen Farkas óta sokakat megmozgató problémára, sakkozó automata kidolgozására mutat be egy friss hazai kísérletet. Németh Géza vendégszerkesztô Szabó Csaba Attila fôszerkesztô LXIII. ÉVFOLYAM 2008/5 1

Rejtett Markov-modell alapú mesterséges beszédkeltés magyar nyelven TÓTH BÁLINT, NÉMETH GÉZA Budapesti Mûszaki és Gazdaságtudományi Egyetem, Távközlési és Médiainformatikai Tanszék {toth.b,nemeth}@tmit.bme.hu Lektorált Kulcsszavak: beszédszintézis, szöveg-beszéd átalakítás, rejtett Markov-modell Jelen cikk bemutatja a rejtett Markov-modell alapú szövegfelolvasás technológiáját és annak a magyar nyelvre való adaptációját. Ennek a megoldásnak számos elônye van: kis adatbázisméret mellett jó minôségû beszédet képes elôállítani, továbbá elvi lehetôséget ad a beszédhang karakterének, stílusának módosítására és érzelmek kifejezésére is meg lehet tanítani a rendszert. 1. Bevezetés Napjainkban számos automatikus szövegfelolvasási módszer létezik: a beszédkeltés mechanizmusát modellezô formáns- és artikulációs szintézistôl kezdve a diádos és triádos hullámforma-összefûzéses szintézisen át az elemkiválasztó (korpusz) szintézisig. A legjobb minôséget nyújtó korpusz alapú szövegfelolvasó rendszerek adatbázisának a mérete igen nagy (gigabyte-os nagyságrendbe esik), és a beszélô hangját az adatbázis meghatározza, azon változtatni új felvételek nélkül nem lehet. Új felvételek esetén (amennyiben például érzelmet kifejezô beszédet is meg szeretnénk valósítani), számolnunk kell a további stúdiófelvételekkel járó munkával, a felvételek adatbázisba való feldolgozásával és az amúgy is hatalmas adatbázis további növekedésével. A rejtett Markov-modell (Hidden Markov Model, HMM) alapú szövegfelolvasók szintén az elemkiválasztós rendszerek közé tartoznak, azonban itt az elemeket nem hullámforma egységek jelentik, hanem a hullámformából kinyert spektrális és prozódiai jellemzôk sokasága. A HMM-ek feladata ezek közül kiválasztani a felolvasandó szöveget legjobban reprezentáló elemeket, mely elemekbôl a régrôl ismert, beszédkódolókban is használt modellekkel készítenek mesterséges beszédhangot. A HMM alapú beszédszintézis számos elônye miatt lett az elmúlt évek egyik legsikeresebb mesterséges beszédkeltési technológiája: kis (1,5-2 Mbyte) adatbázis méret mellett képes jó minôségû, érthetô beszédet elôállítani, amely hordozza a beszélô hangszínezeti tulajdonságait is. Továbbá lehetôség van több beszélôtôl származó felvételek alapján betanított adatbázisból kiindulva viszonylag rövid (5-8 perces) beszédkorpuszokkal a beszélô hangkarakterisztikájának a módosítására [1-4], illetve érzelmek kifejezésére [5]. Jelen cikk elôször áttekinti a rejtett Markov-modell alapú mesterséges beszédkeltés alapjait, majd ismerteti egy nyílt forráskódú HMM-alapú szövegfelolvasó rendszer magyar nyelvû változata kialakításának lépéseit, bemutatja a rendszerrel végzett meghallgatásos teszt eredményeit, továbbá a jövôbeli terveinkre is kitér. 2. A rejtett Markov-modell alapjai A rejtett Markov-modellt sikeresen használják a beszédfelismerés [6] és az utóbbi idôben a beszédszintézis területén is. Jelen szakasz rövid áttekintést ad a módszer alapjairól, pontos ismertetô a [7] cikkben található. Legyen λ(a,b,π) egy adott rejtett Markov-modell, melyet paraméterei határoznak meg: A állapotátmeneti valószínûség, B kimeneti valószínûség, π kiinduló állapot valószínûség. Beszédszintézis esetén legyen ez a λ HMM egymást követkô kvinfón (öt hangból álló hangsorozat) HMM-ek sorozata (1. ábra). Ezek a kvinfónok határozzák meg azt a szót, amit generálni szeretnénk. Célunk a legvalószínûbb állapotsorozathoz tartozó X tulajdonságvektor megtalálása, ami alapján a 3. pontban ismertetésre kerülô módon generálni tudjuk a beszédet. 1. ábra Összefûzött kvinfón HMM lánc a q i állapotban, i. idôegységben, kimenet X qi Az X qi kimenet egy M dimenziós tulajdonság-vektor a λ HMM q i állapotában: Célunk a λ HMM-bôl azt az kimeneti tulajdonság vektort meghatározni, ami L db állapot mellett maximalizálja a P(x λ) összesített hasonlósági mértéket: Ahol Q =(q 1,q 2...q L ) a λ HMM-ben az állapotok sorrendje. A képlet alapján a P(x λ) összesített hasonlósági mértéket a P(x q,λ) kimeneti valószínûség és a 2 LXIII. ÉVFOLYAM 2008/5

Rejtett Markov-modell alapú mesterséges... P(q λ) állapotsorrend-valószínûség szorzatának az öszszes lehetséges Q állapotsorrenden való összegzése adja. Ennek kiszámolására Viterbi-algoritmust szoktak használni, mert az összes lehetséges állapotsorrend bejárása túl nagy számításigényû. Így A λ HMM q állapotsorrendjét x-tôl függetlenül lehet maximalizálni: Tegyük fel, hogy minden q i állapot esetén a kimeneti valószínûségi eloszlás Gauss-i valószínûségsûrûségfüggvény µ i várható értékkel és Σ i kovariancia mátrixxal. A λ HMM az összes a várható értékek és kovarianciamátrix halmaza: Ezt felhasználva a logaritmikus hasonlóságimértékfüggvény a következôképp alakul: Ebben az egyenletben ha x-et maximalizáljuk, akkor az 3. A HMM alapú beszédszintézis A HMM alapú beszédszintézist két részre oszthatjuk: a tanulás fázisára (2. ábra), melynek során a HMM-eket tanítjuk be a beszédkorpuszunk alapján, illetve a beszédelôállítás fázisára (3. ábra), amikor a betanított HMM-ekbôl kinyerjük a spektrális paramétereket, az idôtartamokat és az alapfrekvenciát. A tanításhoz szükségünk van egy nagyméretû beszédkorpuszra, annak fonetikus átiratára és a hanghatárok pontos pozíciójára. A hullámformából kinyerjük a mel-kepsztrumot, annak elsô és második deriváltját, továbbá az alapfrekvenciát, és annak az elsô és második deriváltját, majd a fonetikus átiratot ki kell bôvítenünk környezetfüggô címkékkel (bôvebben lásd a 4.2. szakaszt). Ezután elkezdôdhet a HMM-ek tanítása. Ennek során a modellt betanítjuk a környezetfüggô címkéknek megfelelôen a spektrális és a gerjesztési paraméterekre. Ahhoz, hogy a változó dimenziójú paramétereket (pl. log{f 0 } a zöngétlen hangoknál) megfelelôképp tudjuk modellezni, többdimenziós valószínûségi eloszlást kell használni. Minden HMM-nek van egy állapotidôtartam-valószínûségi sûrûségfüggvénye a beszéd ritmusának (hangidôtartamok) modellezése érdekében. A betanításhoz elsôsorban kétfajta módszert lehet használni: betaníthatjuk a HMM-eket egy beszélôtôl származó 2-4 órás adatbázissal, illetve betaníthatjuk több beszélôtôl gyûjtött adatbázisokkal (beszélônként 1-1,5 megoldást kapjuk, ahol a kimeneti tulajdonságvektor megegyezik az adott állapotok várható értékeivel. Ez a megoldás a beszédre nem alkalmazható megfelelôen, ezért szükségünk van a tulajdonságvektor elsô és második deriváltjára is: 2. ábra A HMM alapú szövegfelolvasó tanítása 3. ábra AHMM alapú szövegfelolvasó beszédelôállítási mechanizmusa LXIII. ÉVFOLYAM 2008/5 3

HÍRADÁSTECHNIKA óra hanganyag, minimum 3-4 különbözô hang), és végül 5-8 perces adatbázissal egy adott hangra adaptálhatjuk [1,2]. Így új hangszínezetû beszéd generálására készíthetjük fel a rendszert adott hangú, igen kis beszédkorpuszok segítségével. A korábbi források [1,2] alapján az adaptív módszerrel elôállított hangok jobb minôségûek lesznek, mintha csak egyetlen beszélôtôl felvett adatbázissal tanítottuk volna be a rendszert. Ezen túl még számos módszer létezik a beszédhang jellemzôinek a megváltoztatására [3,4]. A beszéd elôállítása során elsô lépésként elkészítjük a szöveg fonetikus átiratát környezetfüggô címkékkel (lásd 4.2.). Következô lépésként a hangidôtartamokat nyerjük ki az állapotidôtartam-valószínûségi sûrûségfüggvényekbôl, majd a legvalószínûbb spektrális és gerjesztési paramétereket nyerjük ki a HMM-ekbôl. Ezen paraméterek alapján állítjuk elô a mesterséges beszédet a gerjesztô jel és egy szûrô segítségével (tipikusan mel log spektrum approximációs (MLSA) szûrôt használnak [8]). Korábban egyszerû beszédkódolót használtak a hang elôállításához, újabban pedig a jobb minôséget produkáló kevert-gerjesztési modellt is alkalmazzák [9]. 4. Magyar nyelvû adaptáció A kísérleteket a HTS keretrendszer segítségével végeztük el [10]. A magyar nyelvû változat elkészítéséhez szükség volt egy beszédkorpuszra, annak fonetikus átiratára, egy környezetfüggô címkézôre, a magyar nyelvre jellemzô döntési fákhoz szükséges kérdések elkészítésére. A következô pontokban áttekintjük a magyar változat létrehozásának fontosabb lépéseit. 4.1. Beszédkorpusz elôkészítése A tanításhoz 600 mondatot használtunk, melyeket professzionális bemondótól vettünk fel, 16000 Hz-en újramintavételeztük, 16 bites felbontással. A mondatok tartalma idôjárásjelentés volt, és összesen körülbelül 2 óra a hanganyag hossza. A mondatok fonetikus átiratát elkészítettük és a hanghatárokat bejelöltük automatikus módszerekkel [11]. Acímkézést automatikusan végezzük, mely néhány esetben (pl. hangsúlyos szótagok meghatározása) hibás lehet. Ez azonban nem okoz jelentôs problémát, hiszen a beszéd elôállításakor is ugyanazt az algoritmust használjuk, így hibás címkézés esetén is a HMM következetesen fogja az adott hangoknak megfelelô paramétereket kiválasztani. 4.3. Döntési fák A 4.2. pontban láthattuk, hogy számos környezetfüggô tulajdonság létezik, melyek összes lehetséges kombinációja óriási szám. Ha csupán a kvinfónok lehetséges változatait számoljuk meg, az is több mint 160 millió, de ezt a számot a többi környezetfüggô tulajdonság még exponenciálisan növeli. Ezért lehetetlen egy olyan, adott nyelvre jellemzô beszédkorpuszt elôállítani, melyben minden lehetséges kombináció szerepel. Ezen probléma leküzdése érdekében be kellett vezetni a döntésifa-alapú klaszterezést [12,13]. Mivel a különbözô tulajdonságok hatnak mind a spektrális, mind az alapfrekvencia paraméterekre és az állapotidôtartamokra is, ezért ezeket külön-külön kell klaszterezni. A 2. táblázat mutatja, hogy milyen magyar nyelvre jellemzô tulajdonságokat [14] használtunk fel a döntési fák építésekor. Amennyiben a tanításból például kihagyjuk a mássalhangzók hosszára vonatkozó kérdéseket, akkor a HMM-ek elsôsorban rövid mássalhangzókat fognak behelyettesíteni a hosszúak helyére is, hiszen nem klasztereztük ezeket külön és így az adatbázisban lényegesen többször szereplô rövid mássalhangzók kerülnek elôtérbe. 4.4. Eredmények Annak érdekében, hogy objektíven tudjuk értékelni a magyar nyelvû HMM alapú beszédszintézis minôségét, egy MOS (Mean Opinion Score) meghallgatásos tesztet készítettünk el. A tesztben három rendszer vett részt, egy triád-alapú, egy korpuszos és a HMM-alapú szövegfelolvasó. 4.2. Környezetfüggô címkézés Annak érdekében, hogy a HMM-ek a legmegfelelôbb elemeket válasszák majd ki a beszédelôállítás során, számos fonetikai jellemzôt adunk meg. A jellemzôket minden egyes hangra kiszámoljuk. Az 1. táblázat foglalja össze a legfontosabb jellemzôket. 1. táblázat A környezetfüggô címkézéshez használt prozódiai jellemzôk (Megjegyzés: a szótagokat a szótagmagok alapján keressük, számoljuk és jelöljük, tehát nem a nyelvi szótagolási szabályokat vesszük figyelembe.) 4 LXIII. ÉVFOLYAM 2008/5

Rejtett Markov-modell alapú mesterséges... 2. táblázat A döntési fák építéséhez használt jellemzôk A teszt elején minden rendszertôl 3-3 mondatot játszottunk le véletlenszerûen, amelyeket a tesztalanyok még nem értékelhettek. Ez azt a célt szolgálta, hogy az alanyok hozzászokjanak a mesterséges hangokhoz, és hallják elôre, hogy nagyjából milyen minôségre számíthatnak. Ezután minden rendszer mintáiból 29 mondatot játszottunk le, minden tesztalany esetén más-más sorrendben, így zárva ki az esetleges memória hatásokat [15]. A tesztmondatok tartalma idôjárásjelentés volt. A triádalapú rendszer kötetlen témakör szintézisére készült. A HMM rendszer idôjárásjelentés-tartalmú mondatokkal volt tanítva, illetve a korpuszos rendszer adatbázisa is idôjárásjelentéseket tartalmazott. Minden rendszerrel ugyanazt a 29 mondatot generáltuk, de egyik rendszer esetén sem szerepeltek ezek a mondatok az adatbázisban. A tesztalanyok a mondatokat egytôl ötig értékelhették (egy volt a legrosszabb, öt a legjobb). Ameghallgatásos tesztet 12 tesztalany végezte el. Az eredményt a 4. ábra mutatja. A teszt során a triádos rendszer 2,56 pontot, a HMM alapú szövegfelolvasó 3,63 pontot, a korpuszos rendszer pedig 3,9 pontot kapott átlagban. Ugyanebben a sorrendben a szórásuk 0,73, 1 és 0,73 volt. 4. ábra A MOS meghallgatásos teszt eredménye (az oszlop magassága az átlagértéket, a függôleges vonal a szórást jelöli) Fontos kiemelnünk, hogy a korpuszos rendszer ugyan jobb értékeket ért el a HMM alapú szövegfelolvasó rendszernél, de míg az elsô azonos minôségben csak témakör- (domén-) specifikus mondatokat tud felolvasni, a második általános témájú mondatokat is közel azonos minôségben olvas fel. Továbbá a korpuszos rendszer adatbázisa közel 11 órányi hanganyagot tartalmaz, míg a HMM-ek tanításához elegendô volt 1,5 órányi hanganyag és tanítás után a HMM szövegfelolvasó esetén az adatbázis mérete 2 megabájt alatt marad (szemben a korpuszos rendszer több, mint egy gigabájtos adatbázisával). A triád-alapú rendszer általános témakörök lefedésére készült, semmilyen témakör-specifikus információ nem került bele. Ez is magyarázhatja az alacsonyabb értékelést. Az eredmények abszolút értéke kevésbé mérvadó, inkább az egymáshoz viszonyított arányok hordoznak érdemi információt. 5. Jövôbeli tervek Jelen cikk a magyar nyelvû, HMM alapú mesterséges beszédkeltés elsô változatát ismertette. A jövôben számos továbbfejlesztési irányt tûztünk ki célul, melyek közül elsô lépésként az adaptív tanításhoz szeretnénk további beszédkorpuszokat rögzíteni, így érve el természetesebb hangzást, továbbá ezáltal lehetôségünk nyílik kis (5-8 perces) adatbázisok segítségével új beszédhangokat és érzelmeket betanítani a rendszerrel. A kis adatbázisméret elônyei és a jó minôségû beszédhang miatt szeretnénk a rendszert mobil eszközökön is megvalósítani. Ennek érdekében optimalizálni fogjuk a hts_engine-t mobil eszközökre. Lehetséges, hogy a rendszert alapvetôen módosítani kell ahhoz, hogy közel valósidejû rendszert kapjunk. 6. Összefoglalás A cikkben bemutattuk a rejtett Markov-modell alapú szintézis mûködésének az elvét, a magyar változat létrehozásának a lépéseit és az elsô magyar HMM-alapú beszédkeltéssel kapcsolatos meghallgatásos teszt eredményeit. LXIII. ÉVFOLYAM 2008/5 5

HÍRADÁSTECHNIKA A HMM-alapú szövegfelolvasó rendszerek igazi elônye, hogy kis adatbázisméretek mellett képesek jó minôségû beszédhangot elôállítani, illetve könnyebben lehet a hangkaraktert megváltoztatni, érzelmeket kifejezni. Célunk, hogy ipari alkalmazásokban is használható magyar nyelven beszélô szövegfelolvasó rendszerré fejlesszük tovább a jelenlegi változatot. Köszönetnyilvánítás Ezúton szeretnénk köszönetet mondani a szubjektív kiértékelésben résztvevô tesztelôknek. Külön köszönet illeti Bartalis Mátyást a web-es tesztfelület elkészítéséért és Mihajlik Pétert a magyar nyelvû beszédfelismerô eszközök használatához nyújtott segítségéért. A kutatást részben támogatta az NKTH a NAP projekt keretében (OMFB-00736/2005). A szerzôkrôl Németh Géza 1983-ban végzett a BME Villamosmérnöki Karán, 1985-ben pedig szakmérnöki diplomát szerzett. 1985-87 között a BEAG Elektroakusztikai Gyárban fejlesztômérnökként dolgozott, 1987-tôl a BME Távközlési és Médiainformatikai Tanszékén oktat (Méréstechnika, Kommunikációs rendszerek, Híradástechnika, A jelfeldolgozás elemei, Távközlés, Távközlésmenedzselés, Beszédinformációs rendszerek). Jelenleg a tanszék beszédtechnolólógiai laboratóriumát is vezeti. Irányító szerepet tölt be a beszédkutatási eredmények gyakorlatba való átültetésében, számos gyakorlati alkalmazást az ô vezetésével fejlesztettek ki. Tóth Bálint Pál 2005-ben kitüntetett diplomával végzett a BME Villamosmérnöki Karán Távközlési és telematikai szakirányon. Ph.D. tanulmányait rögtön a diplomázás után elkezdte beszédszintézis és multimodális felhasználói felületek témakörben. A beszédszintézis területén elsôsorban a rejtett Markov-modell alapú szövegfelolvasással foglalkozik, míg a multimodális felhasználói felületek mobil környezetben való alkalmazási lehetôségeit vizsgálja. Irodalom [1] T. Masuko, K. Tokuda, T. Kobayashi, S. Imai, Voice characteristics conversion for HMM-based speech synthesis system, Proc. ICASSP, 1997, pp.1611 1614. [2] M. Tamura, T. Masuko, K. Tokuda, T. Kobayashi, Adaptation of pitch and spectrum for HMM-based speech synthesis using MLLR, Proc. ICASSP, 2001, pp.805 808. [3] T. Yoshimura, K. Tokuda, T. Masuko, T. Kobayashi, T. Kitamura, Speaker interpolation in HMM-based speech synthesis system, Proc. Eurospeech, 1997, pp.2523 2526. [4] M. Tachibana, J. Yamagishi, T. Masuko, T. Kobayashi, Speech synthesis with various emotional expressions and speaking styles by style interpolation and morphing, IEICE Trans. Inf. & Syst., Vol. E88-D, 2005, No.11, pp.2484 2491. [5] S. Krstulovic, A. Hunecke, M. Schroeder, An HMM-Based Speech Synthesis System applied to German and its Adaptation to a Limited Set of Expressive Football Announcements, Proc. of Interspeech, 2007. [6] Mihajlik P., Fegyó T., Németh B., Tüske Z., Trón V., Towards Automatic Transcription of Large Spoken Archives in Agglutinating Languages: Hungarian ASR for the MALACH Project, In: Matousek V, Mautner P (ed.) Text, Speech and Dialogue: 10th Int. Conference, TSD 2007, Pilsen, Czech Republic, Sept. 2007, Proc., Berlin; Heidelberg: Springer, Lectures Notes in Computer Sciences, 2007, pp.342 350. (Lecture Notes in Artificial Intelligence; 4629.) [7] Lawrence R. Rabiner, A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Proc. of the IEEE, 77 (2), Febr. 1989, pp.257 286. [8] S. Imai, Cepstral analysis synthesis on the mel frequency scale, Proc. ICASSP, 1983, pp.93 96. [9] R. Maia, T. Toda, H. Zen, Y. Nankaku, K. Tokuda, A trainable excitation model for HMM-based speech synthesis, Proc. Interspeech, Aug. 2007, pp.1909 1912. [10] H. Zen, T. Nose, J. Yamagishi, S. Sako, T. Masuko, A.W. Black, K. Tokuda, The HMM-based speech synthesis system v.2.0, Proc. of ISCA SSW6, Bonn, Germany, Aug. 2007. [11] Mihajlik, P. Révész, T. Tatai, P., Phonetic transcription in automatic speech recognition, In: Acta Linguistica Hung., 2003, Vol. 49; No. 3/4, pp.407 425. [12] J.J. Odell, The Use of Context in Large Vocabulary Speech Recognition, PhD dissertation, Cambridge University, 1995. [13] K. Shinoda, T. Watanabe, MDL-based context-dependent subword modeling for speech recognition, J. Acoust. Soc. Jpn.(E), Vol. 21, No.2, 2000. pp.79 86. [14] Gósy M., Fonetika, a beszéd tudománya. Budapest, Osiris Kiadó, 2004. [15] Jan P.H. van Santen, Perceptual experiments for diagnostic testing of text-to-speech systems, Computer Speech and Language, 1993, pp.49 100. 6 LXIII. ÉVFOLYAM 2008/5

Szövegfelolvasó természetességének növelése CSAPÓ TAMÁS GÁBOR, NÉMETH GÉZA, FÉK MÁRK BME Távközlési és Médiainformatikai Tanszék {csapo, nemeth, fek}@tmit.bme.hu Lektorált Kulcsszavak: beszédszintézis, prozódiai modell, prozódiai változatosság, F 0 másolás A cikk röviden bemutatja a jelenlegi beszédszintézis-rendszerekben alkalmazott prozódiai modelleket, illetve egyik gyengéjüket: az emberihez hasonló változatos prozódia modellezésének hiányát. Részletesen ismertetjük az általunk kidolgozott módszert a hosszabb idôtartamú szintetizált beszéd monotonitásának csökkentésére. Egy természetes mondatokból álló beszédkorpuszt felhasználva, az alapfrekvencia-menet másolásával valósítottuk ezt meg. Végül bemutatjuk, hogyan történt a módszerünkkel elôállított mondatok minôségének értékelése. 1. Bevezetés A beszédszintézis-rendszerek minôségét annak alapján ítélik meg, hogy az általuk keltett beszéd mennyire hasonlít az emberi beszédre. A jelenlegi rendszerek többsége egy szabályrendszer segítségével a nyelvi elvárásoknak megfelelôen adott szöveghez mindig azonos prozódiát rendel. Ugyanakkor ahhoz, hogy a gépi megoldás ne tûnjön monotonnak, az emberhez hasonlóan változatosságot kell létrehozni, azaz ugyanazt a mondatot nem mindig ugyanúgy kell bemondania a rendszernek. Vizsgálataink célja, hogy egy nagyméretû beszédkorpuszt elemezve megtudjuk, a prozódiai változatosság milyen mértékben valósítható meg a BME Távközlési és Médiainformatikai Tanszéken fejlesztett korábbi ProfiVox rendszer kiegészítésével [1]. Cikkünk fô témája a szövegfelolvasó rendszerek egyik legfontosabb komponensének, a prozódia elôállításának vizsgálata. A prozódia tervezésére sokféle modell ismert, úgymint a leíró jellegû, szabályalapú, gépitanulás-alapú, illetve szuperpozíciós modellek. A Profivox beszédszintetizátor elsô változata szabályalapú és szuperpozíciós [2], azaz a bemeneti szöveghez tartozó prozódiát ember által definiált szabályok alapján hozza létre több szinten. A szintek modellezése külön-külön történik, elôször meghatározva a mondatdallamot (emelkedô, egyenletes, esô), utána a szó- vagy szótagszintû hangsúlyokat, végül a mikrointonációs változásokat. Számos olyan módszer ismert a szakirodalomban, melyek a prozódiát valamilyen természetes beszédbôl álló korpusz alapján hozzák létre [3,4,5]. Az emberihez hasonló dallammenet létrehozása azzal garantálható, hogy a szintetizálandó mondat alapfrekvencia-menetét az adatbázisból vett kisebb-nagyobb elemek (például szótag, szó) segítségével határozzák meg. Kutatásunk során jelentôs kezdeti eredményeket értünk el a beszédszintetizátorok prozódiájának változatosabbá és természetesebbé tétele területén nagyméretû természetes beszédkorpusz felhasználásával [6]. Munkánkban a Profivox magyar nyelvû diád-triád alapú beszédszintetizátort alkalmaztuk [1]. A jelen cikkben ismertetjük a prozódia változatosabbá tételére kidolgozott módszert, majd bemutatjuk, hogyan történt a módszerünkkel elôállított mondatok minôségének értékelése. 2. Prozódiai változatosság Az emberi beszédben a prozódia rendkívül változékony jellemzô. Egy-egy mondatot még akarattal sem tudunk többször ugyanúgy elmondani, a mindennapi beszédben pedig óriási különbségek tapasztalhatóak dallam, hangsúly és ritmus terén is, ahogy ezt az 1. ábra mutatja. Az ábrán a Párás, ködös az idô. mondat három kü- 1. ábra Prozódiai változatosság az emberi beszédben. (Mondat: Párás, ködös az idô. ) LXIII. ÉVFOLYAM 2008/5 7

HÍRADÁSTECHNIKA lönbözô kiejtési módját láthatjuk. A három változat hasonló, de mégis észrevehetô különbség van közöttük az alapfrekvencia-menetben (F 0 ) és a hangok idôtartamában (függôleges vonalak). A legtöbb beszédszintetizátor rendszer ezzel szemben determinisztikusan állítja elô a prozódiát, azaz egyegy bemeneti szöveghez a beszédszintetizátor futása során mindig ugyanaz a dallam tartozik. Ez sokszor ismétlôdô, monoton dallamminták túlzott elôfordulásához vezet, ami zavaró a szintetizált beszédben. A prozódiaminták ismétlôdése azért fordulhat elô a szövegfelolvasó rendszerekben, mert például egy elemkiválasztásos szintetizátor mindig a legjobb prozódiát próbálja egy-egy mondathoz rendelni. Így az emberi beszéd változatossága (ami az 1. ábrán is látható) lecserélôdik a legjobb, leggyakoribb mintára. Ez viszont az emberi fül számára, ami a változékonysághoz szokott, könnyen felismerhetô. Beszédünk stílusát sokszor szándékosan is variáljuk, ha különbözô dolgokat akarunk kifejezni. Sokszor éppen azért használunk más-más prozódiát, hogy ne tûnjön monotonnak beszédünk. Éppen ezért a beszédszintetizátornak sem szükséges mindig a legjobb prozódiát megtalálnia, inkább egy elfogadható tartományt érdemes definiálni, amin belül megfelelônek tartjuk a minôséget. Chu és társai [7] bemutatnak egy szótag- és szó-alapon mûködô beszédszintetizátor rendszert, ami megkísérli a prozódiai változatosság létrehozását. A módszer célja, hogy ne mindig csak a legjobb lehetôséget keresse meg, hanem a rossz lehetôségek kihagyásával a maradékból véletlenszerûen válasszon. A megközelítés sikeresnek bizonyult és használható az angol, illetve mandarin nyelv szintézisére. egy 5200 mondatból álló, magyar nyelvû beszédkorpuszon [8] végeztünk kísérleteket. A prozódia tervezését korpusz alapon oldottuk meg, a természetes mondatok dallamát lemásolva. A dallam szöveghez rendelése során szótagszerkezet (az egyes szavak szótagszáma a mondatban) alapján keresünk F 0 -mintákat a korpuszban. Az, hogy egy mondathoz hány teljes dallammintát tudunk elôállítani, függ attól, hogy mekkora F 0 másolási egységekkel dolgozunk és mekkora a beszéddallamadatbázis mérete. Beszédkorpuszunk 5200 idôjárás-elôrejelzés témájú, az átlagos beszédhez képest hosszú mondatból áll. Az F 0 egységek méretét elsô kísérleteinkben teljes mondatra, majd a rövidebb frázisra (beszéd során egy levegôvétellel kimondott egység) választottuk. Ahhoz, hogy a hosszabb, több frázisból álló mondatokhoz is találhassunk prozódia-mintát, a mondatok felbontására volt szükség. Egy frázishoz nagyobb valószínûséggel lehet találni egyezô szótagszerkezetû mintát, mint a teljes mondathoz. Ha például egy szintetizálandó mondat három frázisból áll ( Csütörtökön rendkívül melegre, magas hômérsékleti értékekre számíthatunk, fôleg a déli térségekben. ), egyben kezelve nehezen találhatunk hozzá szerkezetileg hasonlót, míg frázisokra bontva a keresés egyszerûbbé válik. 2. ábra Módszerünk mûködési folyamata 3. Dallammásolás frázisok alapján Azt, hogy a szövegfelolvasó egyegy bemeneti mondatához ne mindig ugyanolyan prozódiájú mondatot szintetizáljunk, úgy valósítjuk meg, ha a bemeneti szöveghez többféle dallammenetet tudunk generálni és ezek közül a rendszer szintéziskor egyet véletlenszerûen választ ki. Ekkor ugyanis csökken a monotonitás, hiszen nem-determinisztikussá válik a mondatokhoz történô dallammenet-hozzárendelés. A prozódiai változatosság eléréséhez az szükséges, hogy egy-egy mondathoz legalább 3-4 lehetséges dallammenetet tudjunk rendelni. Kutatásunk során 8 LXIII. ÉVFOLYAM 2008/5

Szövegfelolvasó természetességének növelése A beszédkorpusz mondatait tehát automatikus módszerrel bontottuk fel frázisokra a szöveges átírásuk alapján. Ezen frázisokat sorszámukkal és néhány paraméterükkel (szótagszerkezet, hangsúlyszerkezet, pozíció a mondaton belül, F 0 -menet, átlagos F 0 érték) jellemeztük. Összesen 13415 frázisra bontottuk így a beszédkorpuszt, létrehozva ezzel egy dallamminta-adatbázist. Átlagosan egy mondat 2,57 frázisból, egy frázis pedig 13,78 szótagból áll az egész korpuszt figyelembe véve. A hangsúlyszerkezetet, a pozíciót és az átlagos F 0 értéket azért tároltuk el, hogy a prozódia létrehozásakor a frázisok kiválasztásában ezeket is figyelembe lehessen venni. A prozódiaminták kiválasztásakor és egymás után fûzésekor tehát különbözô kényszerek segítségével biztosíthatjuk a természeteshez hasonló dallammenetet (például hangsúlyok figyelembe vétele a szótagszerkezet mellett). Ezek segítségével a dallammásolás hatékonysága és természetessége tovább növelhetô. A bemeneti szöveghez a módszer segítségével teljesen automatikusan történik meg a teljes mondatra vonatkozó dallammenet meghatározása. Módszerünk mûködésének folyamata a 2. ábrán látható. A bemeneti szöveg alapján a hangidôtartamok és az intenzitás meghatározása a Profivox korábbi modellje alapján, szabályalapon történik, ezt tehát változatlanul hagytuk. A dallam meghatározása során elôször frázisokra bontjuk a teljes bemeneti mondatot, majd mindegyikhez keresünk prozódiamintát az adatbázisból. A keresés szótagszerkezet alapján történik. A lehetséges mintasorozatok közül egyet véletlenszerûen kiválaszt a rendszer (bizonyos kényszerek figyelembe vételével), és megtörténik az F 0 -szakaszok másolása frázisonként. A véletlen választás miatt ritkábbá válnak az ismétlôdô dallamminták, ami javítja a szintetizált beszéd minôségét. A módszer utolsó lépéseként egy diádos adatbázis segítségével történik meg a hullámforma összefûzés, vagyis a szintetizált beszéd létrehozása. 4. Teszt és eredmények Kiválasztottunk a beszédkorpuszból 10 idôjárás-elôrejelzés témájú mondatot, és ezeket szöveges átírásuk alapján újraszintetizáltuk az itt bemutatott módszer segítségével, különféle dallammenetekkel. A változatok között szerepelt mondatonként egy-egy olyan változat, ami a Profivox korábbi, szabályalapú dallammodelljével készült, illetve két-három olyan variáns is, amelynek dallama frázis alapján történô másolással jött létre. A létrehozott mondatok tesztelését a BME Távközlési és Médiainformatikai Tanszéken kifejlesztett webes tesztelô rendszerben végeztük. A mondatokból mondatpárokat hoztunk létre, melyek egy-egy mondat két változatát tartalmazták. Összesen 37 ilyen mondatpár készült el. A tesztet elvégzôk feladata az volt, hogy eldöntsék, a mondatpár elsô vagy második tagját tartják természetesebbnek, vagy nem tudnak különbséget tenni a két változat között. Egy-egy mondatot többször is meghallgathattak, hogy döntésüket könnyebben meg tudják hozni. A mondatok lejátszása véletlen sorrendben történt. A tesztelôknek a http://speechlab.tmit.bme.hu/csapo oldalt meglátogatva egy rövid ismertetôt kellett elolvasniuk a teszt menetérôl, majd néhány információt kértünk be róluk (becenév, életkor, nem). Ezután megkezdôdhetett a mondatpárok meghallgatása. A szintetizált hangok meghallgatása után a tesztelôk megjegyzést is írhattak észrevételeikrôl. A mondatpárok meghallgatását 13 tesztelô végezte el. A tesztelôk mindannyian ép hallású, magyar anyanyelvû emberek voltak, a 20-64 év közötti korosztályból. Egy részük a témához értô tanszéki munkatárs volt, míg a többiek az egyetemi hallgatók körébôl kerültek ki. A rendszer rögzítette a teszt elkezdésének és befejezésének idôpontját, így azt a tesztelôt kizártuk az eredmények kiértékelésébôl, aki 10 percnél rövidebb idô alatt végezte el a tesztet (hiszen ennyi idô minimálisan szükséges lett volna az összes mondat meghallgatásához). A teszt átlagos meghallgatási ideje 19 perc volt. Ateszt kiértékelésébôl az derült ki, hogy a tesztelôk az esetek többségében a adatbázisbeli frázisok másolásával létrehozott dallamot preferálták a szabályalapú változathoz képest. A 3. ábrán egy mondat négy különbözô változatának (egy szabályalapú és három dallammásolt) összehasonlítását láthatjuk, soronként egy mondatpár eredményeit ábrázolva. Észrevehetô, hogy a dallammásolt változatokat a tesztelôk természetesebbnek érezték, 3. ábra Egy tesztbeli mondat változatainak összehasonlítása LXIII. ÉVFOLYAM 2008/5 9

HÍRADÁSTECHNIKA mint a szabályalapú változatot (elsô három sor). A két különbözô dallamú, új módszerrel létrehozott mondat összehasonlítása (negyedik sor) pedig azt mutatja, hogy a tesztelôk mindkét változatot elfogadják, vagyis azok nagyjából egyforma minôségûek. Összességében elmondhatjuk, hogy a 10 mondatból 5 esetben egyértelmûen az új, frázisok alapján mûködô F 0 -másolási módszer volt jobb, 3 esetben nem lehetett dönteni a tesztelôk véleménye alapján és 2 mondat esetében a szabályalapú megoldás minôségét értékelték jobbnak. A cikkben ismertettük a mai beszédszintetizátor rendszerek egyik hiányosságát: azt, hogy nem modellezik az emberi beszéd változatosságát. Áttekintettük munkánkat és ennek eredményét. Automatikussá tettük a prozódia másolását, nagyméretû beszédkorpuszban vizsgáltuk módszerünk eredményességét. A módszerünkkel létrehozott mondatok minôségét egy webes tesztben ellenôriztük. Mondatpáronként kellett a tesztelôknek értékelniük a különbözô dallamváltozatú mondatokat. Az eredmények kiértékelésébôl kiderült, hogy a dallammásolással létrehozott szintetizált mondatok az esetek többségében jobbak a szabályalapú változatoknál. Az általunk kidolgozott módszer segítségével természetesebbé tehetô a szövegfelolvasók által létrehozott prozódia. Ez az elôny számos gyakorlati alkalmazásban használható, mint például SMS-, e-mail-, könyvfelolvasó, vagy telefonos tudakozó. A változatosabb prozódia fôleg hosszú szövegek felolvasása esetén elônyös, hiszen ekkor zavaró a beszédszintetizátor monotonitása. A fô cél tehát az, hogy a módszert a Profivox beszédszintetizátorba beépítve szélesebb körben használni lehessen azt. Érdekes lenne megvizsgálni, hogy más beszédadatbázissal milyen eredményeket tudunk elérni. Olyan korpuszt célszerû választani, amiben rövidebb mondatok vannak, amelyek jobban közelítik az általános beszéd mondathoszszát. Azt az irányt is érdemes megvizsgálni, hogyan lehetne a prozódia többi komponensét (elsôsorban az idôtartamokat) is korpusz alapján létrehozni. Jelen dolgozat az Interspeech 2007 konferencián bemutatott cikk [6] kibôvített változata, amely az azóta elért eredményeket is tartalmazza. 4. ábra Összesített eredmény Az összesített eredmény, ami a 4. ábrán látható, azt mutatja, hogy a tesztelôk a dallammásolás módszerét részesítették elônyben. A tesztelôk megjegyzései közül fontos kiemelni, hogy egyesek nagyon zavarónak tartották a mondat végi dallamemelést, mert ott mindenképpen a legmélyebb hangot várja a hallgató. Mások szerint a mondatok meglehetôsen hosszúak voltak, így nagyon kellett koncentrálni, hogy el lehessen dönteni, melyik a természetesebb közülük. A késôbbiekben tehát figyelnünk kell arra, hogy összehasonlítási kísérleteinkben rövidebb mondatokat vizsgáljunk. Köszönetnyilvánítás Ezúton szeretnénk köszönetet mondani a BME Távközlési és Médiainformatikai Tanszék Beszédtechnológiai Laboratóriuma munkatársainak a tanácsokért, a meghallgatásos kísérletben résztvevôknek a teszt kitöltéséért, valamint Bartalis István Mátyásnak a webes tesztelô rendszer beállításáért. A kutatást az NKTH részben támogatta a NAP (OMFB-00736/2005) és az NKFP (NKFP 2/034/2004) programok keretében. 5. Összefoglalás A szerzôkrôl Csapó Tamás Gábor 2008-ban fogja megszerezni informatikai diplomáját a Budapesti Mûszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai Tanszékén. Kutatási témája a beszédszintézis, ezen belül a szövegfelolvasók által létrehozott mesterséges beszéd természetesebbé tétele. Ennek során több publikációja született, többek között OTDK 1. helyezést ért el. Az utolsó tanévben köztársasági ösztöndíjban részesült kiemelkedô eredményeiért. Tanulmányait a BME Informatikai Tudományok Doktori Iskolájában tervezi folytatni. Németh Géza 1983-ban végzett a BME Villamosmérnöki Karán, 1985-ben pedig szakmérnöki diplomát szerzett. 1985-87 között a BEAG Elektroakusztikai Gyárban fejlesztômérnökként dolgozott, 1987-tôl a BME Távközlési és Médiainformatikai Tanszékén oktat. Jelenleg a tanszék beszédtechnolólógiai laboratóriumát is vezeti. Irányító szerepet tölt be a beszédkutatási eredmények gyakorlatba való átültetésében, számos gyakorlati alkalmazást az ô vezetésével fejlesztettek ki. 10 LXIII. ÉVFOLYAM 2008/5

Szövegfelolvasó természetességének növelése Fék Márk 1997-ben végzett a Budapesti Mûszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai karán, Mûszaki Informatika Szakon. 1997-2001 között francia-magyar közös doktori képzésen vett részt a BME-n és a francia ENST-Bretagne-on. Doktori disszertációját a beszéd- és audio-jelek tömörítése témakörében 2006-ban védte meg. 2001-tôl a BME Távközlési és Médiainformatikai Tanszékén magyar nyelvû beszédszintézissel foglalkozik. Fôbb kutatási területei a korpusz alapú beszédszintézis és az érzelemszintézis. Irodalom [1] Olaszy, G., Németh, G., Olaszi, P., Kiss, G., Gordos, G., PROFIVOX A Hungarian Professional TTS System for Telecommunications Applications, Int. Journal of Speech Tech., Vol. 3, Numbers 3/4, Dec. 2000, pp.201 216. [2] Olaszy, G., Németh, G., Olaszi, P., Automatic Prosody Generation a Model for Hungarian, Proc. Eurospeech 2001, Vol. 1, pp.525 528. [3] Dong, M., Lua, K.T., An Example-based Approach for Prosody Generation in Chinese Speech Synthesis, Proc. ISCSLP 2000, Beijing, pp.303 307. [4] Raux, A., Black, A., A Unit Selection Approach to F 0 Modeling and its Application to Emphasis, Proc. ASRU 2003, pp.700 705. [5] Van Santen, J., Kain, A., Klabbers, E., Mishra, T., Synthesis of prosody using Multilevel Unit Sequences, Speech Communication, Vol. 46, Issues 3-4, pp. 365 375, 2005. [6] Németh, G., Fék, M., Csapó, T.G., Increasing Prosodic Variability of Text-To-Speech Synthesizers, Proc. Interspeech 2007, pp.474 477. [7] Chu, M., Zhao, Y., Chang, E., Modeling stylized invariance and local variability of prosody in text-to-speech synhtesis, Speech Communication, Vol. 48, 2006, pp.716 726. [8] Fék Márk, Pesti Péter, Németh Géza, Zainkó Csaba, Generációváltás a beszédszintézisben. In: Híradástechnika, LXI. évf. 2006/3, pp.21 30. Pollák-Virág díjasok A Pollák-Virág díjbizottság javaslata alapján a Híradástechnika folyóirat 2007. évi cikkei közül az alábbiak kaptak Pollák-Virág díjat: Kutatási cikkek kategória Mitcsenkov Attila, Meskó Diána, Cinkler Tibor: Forgalomhoz alkalmazkodó védelmi módszerek Nagy Lajos: Determinisztikus beltéri hullámterjedési modellek Kôrösi Attila, Székely Balázs, Lukovszki Csaba, Dang Dihn Trang: DSL hozzáférési hálózatokban alkalmazott csomagütemezôk sorbanállási modellezése és analízise teljes és részleges visszautasítás esetére Perényi Marcell, Soproni Péter, Cinkler Tibor: Multicast fák rendszeres újrakonfigurálása többrétegû optikai hálózatokban Szentpáli Béla: Mikrohullámú térmérô szondák (2007/2. szám) (2007/3. szám) (2007/4. szám) (2007/8. szám) (2007/11. szám) Áttekintô cikkek kategória Babics Emil, Horváth A. Róbert, Meskó Örs: Flexibilis leágazó és kapcsoló eszközök a DWDM hálózatokba (2007/6. szám) A díjazottaknak gratulálunk! LXIII. ÉVFOLYAM 2008/5 11

Magyar nyelvû, kötött témájú korpusz-alapú beszédszintézis és a kötetlenség felé vezetô út vizsgálata ZAINKÓ CSABA BME Távközlési és Médiainformatikai Tanszék zainko@tmit.bme.hu Lektorált Kulcsszavak: korpusz-alapú beszédszintézis, beszédadatbázisok, prozódiai modul A beszédszintetizátorok között a korpusz-alapú szintetizátorral lehet jelenleg a legjobb minôségû beszédet elôállítani. Ennek ára, hogy csak adott témájú szövegek szintetizálását tudja ilyen minôségben garantálni. A cikk azt tárgyalja, hogy ha egy ilyen kötött témájú korpuszos szintetizátort kívánunk kötetlen szövegekre kibôvíteni, akkor annak milyen lehetôségei és korlátai vannak. A vizsgálat során a szintetizátor beszédadatbázisát elemeztük és megvizsgáltuk, hogy elegendôen változatos-e tetszôleges szöveghez, illetve megfelelô számú elemet tartalmaz-e a jó minôséghez. Végül a szintetizált mondatokat egy meghallgatásos teszt keretében értékeltettük tesztelôkkel. 1. Bevezetés A korpusz-szintetizátorokat általában meghatározott témájú szövegek szintetizálására fejlesztik (például idôjárásjelentés, menetrendi tájékoztató, árlista felolvasó) [1]. A szintetizátor egy válogató algoritmusból és a hozzá tartozó beszédadatbázisból áll. Egy új témakörre való fejlesztés során általában csak a beszédadatbázist kell elkészíteni, mivel a szintetizátor válogató algoritmusa már megfelelôen tesztelt, jól válogat. A munka nagy részét ebben az esetben az adatbázis elkészítése jelenti, azaz a megadott témájú szövegek felolvasása és elôkészítése a szintézishez (tisztítás, címkézés, zöngészöngétlen határok bejelölése stb.). Ezek után a szintetizátor az adott témában tetszôleges mondatokat képes beszéddé alakítani, amely a technológiából adódóan közel emberi minôségû. A kísérletben megvizsgáljuk, hogy a BME-TMIT-en készített, kötött tematikára készült beszédadatbázisok összeépítésével (egyazon bemondó hangjára) milyen minôségben lehet tetszôleges tartalmú mondatokat szintetizálni. A kutatás irányt ad arra is, hogy a korpuszos technológiánál milyen problémákkal kell számolni, ha kötetlen, általános beszédszintézist kívánunk megcélozni. Az elsô részben bemutatjuk a szintetizátor mûködését, majd a beszédadatbázist vizsgáljuk meg, hogy milyen a mennyiségi és a minôségi összetétele. Alapvetôen ez határozza meg, hogy milyen mondatok szintetizálására alkalmas a rendszer. A beszédadatbázis részletes elemzése után bemutatjuk, hogy milyen kísérleti mondatokat állítottunk elô és azokat a tesztelôk hogyan értékelték. Az utolsó részben végül megvizsgáljuk a hangminôség javításának lehetôségeit. 2. Kötött témakörre fejlesztett korpuszalapú beszédszintetizátor mûködése A korpusz-alapú, elemkiválasztásos szintetizátor továbbiakban korpuszos szintetizátor egy olyan beszédgenerátor, amely nagy mennyiségû elôre rögzített beszédbôl (beszédkorpuszból) válogatja ki a megfelelô elemeket és állítja elô ezek felhasználásával a szintetizált beszédet. A mûködés menetét az 1. ábrán látjuk. A példamondat a következô: Szép idô lesz. A szintetizátor a beszédkorpuszból válogat, meghatározza, hogy melyek azok a beszédrészletek (fôleg szavak), a- melyek felhasználhatók a mondat elôállításához. Ezeket az ábrán a szavak alatt található ellipszisek jelölik, 1. ábra Példa az elemek kiválasztására és költségeire 12 LXIII. ÉVFOLYAM 2008/5

Magyar nyelvû, kötött témájú korpusz-alapú beszédszintézis amelyek most szó-méretû elemek, de lehetnek kisebbek is. A talált jelölteket egy mérôszámmal (célegyezési target költséggel, az ábrán C txy ) látja el, amely meghatározza, hogy mennyire alkalmas az adott elem a keresett pozícióra. A költség egyfajta büntetés, minél nagyobb, annál kevésbé alkalmas az adott helyre. Az egymás melletti pozícióra kiválasztott jelöltek között is kiszámol egy költséget a rendszer (összefûzési concatenation költséget, az ábrán C cxyz ), amely megadja, hogy mennyire illeszkedik a két elem egymáshoz. Itt is annál nagyobb a költség, minél rosszabbul illeszkedik a két elem. A végsô elemsor kiválasztásához az összköltség minimalizásának segítségével jutunk el, amely a felhasznált elemek célegyezési és összefûzési költségeinek összegébôl áll. A mondat a legkisebb összköltségû elemsorból fog elôállni. Ezt a válogatást a Viterbi algoritmus határozza meg [2]. A számításhoz egy kezdô- és végelemet is felhasználunk, amely egy szünet- vagy csendjellegû elem, ezeket az ábrán C t01 és C t41 -el jelöltük. Az ábrán a példamondat elôállításához kiválasztott elemeket megvastagítva láthatjuk. Ennek az elemsornak a költsége: C t01 + C c013 + C t13 + C c131 + C t21 + C c212 + C t32 + C c321 + C t41. Abban az esetben ha nem található meg a keresett szó, akkor a szóhoz tartozó beszédhangokat keresi a rendszer. Ha a példában szereplô idô szó nem szerepelne az adatbázisban, akkor az i d ô hangokat keresi a rendszer a megfelelô környezetben és a szavakhoz hasonlóan számolja a cél- és az összefûzési költségeket. Mint korábban említettük, az elôállított beszéd minôsége nagy részben függ attól, hogy a szintetizálni kívánt mondat mennyire illeszkedik a beszédkorpusz témájához. Ha hasonló szavakból álló mondatot szeretnénk elôállítani, mint amilyenek a korpuszban szerepelnek, akkor hosszabb beszédelemekbôl (szavak, szófüzérek) tudja a szintetizátor elôállítani a mondatot, a jelöltek is többen lesznek egy-egy pozícióra, így nagyobb eséllyel tud jobban illeszkedôt találni. Az elemek összeillesztésének száma is kevesebb lesz, így az esetleges illesztetlenségi hibák is kisebb számban és mértékben jelennek meg az elôállított beszédben. Összefoglalva azt mondhatjuk, hogy ebben az esetben kevésbé sértjük meg azt a tételt, ami azt mondja, hogy az optimális beszédjel egyedi és egyszeri produktum. (Ezt például a dadogó megsérti, mivel szaggatottá teszi a jelet, ezért beszéde távol lesz a köznapi normától). A tétel vonatkoztatása az adatbázisra azt jelenti, hogy minél hosszabb beszédegységeket sikerül kiválasztani, annál optimálisabb lesz a hangzás. A legoptimálisabb az a helyzet, amikor a teljes keresett mondat benne van az adatbázisban. Ilyenkor az elôbbi tétel teljes mértékben teljesül [3]. Ha eltérô tematikájú mondatot szintetizálunk, akkor kisebb elemeket kell használni, azok az adatbázis különbözô helyeirôl származhatnak, az ottani elemeket egymástól eltérô idôpontokban ejtette a bemondó, tehát az elôbbi tétel sérül. Ennek eredménye a több illesztési pont szükségszerû megjelenése is, amely a percepció számára is jól hallható hangzásingadozást okozhat. A szintetizált beszéd elôállításakor a hangsorozat kialakítása mellett a prozódiát is meg kell valósítani. A prozódia alatt a hangsúlyok helyét, a dallammenetet, a szüneteket és a tempóváltást értjük, amely fizikailag az egyes hangok hangmagasságában, energiájában és idôtartamában jelenik meg. A korlátozott tematikára fejlesztett szintetizátor nem tartalmaz külön prozódia generáló és megvalósító egységet, hanem az az elemkiválasztó algoritmusba van beépítve [2]. Mivel az adatbázis elemei természetes emberi bemondásokból származnak, tartalmazzák annak a mondatnak a prozódiáját is, amelyben szerepelnek. A prozódiai információk figyelembevétele a célegyezési költéségben (C t ) történik. A költségben büntetve van, ha a mondat más részébôl venné az elemet a válogató algoritmus. A példamondatunkban szereplô lesz szó dallammenete csak akkor megfelelô, ha szintén a mondat végérôl származik. Ha mondat közepérôl vagy elejérôl származó lesz szót használna a szintetizátor ebben a pozícióban, akkor természetellenes hangzást kapnánk. 3. Mi kell egy általános korpusz-alapú szintetizátorhoz? Az általános tematikájú szintetizáláshoz két ponton kell vizsgálnunk a korpuszos, kötött témakörû szintetizátor adatbázisát. Az egyik az, hogy a szükséges hangsorépítô elemek rendelkezésre állnak-e a beszédadatbázisban a tetszôleges mondatok elôállításához. A második pedig az, hogy a korlátozott tematikájú szintetizátor algoritmusai mennyire alkalmasak arra, hogy tetszôleges mondatot állítsanak elô prozódiai szempontból. 3.1. Beszédadatbázis A vizsgálathoz három különbözô tematikájú, ugyanazon bemondótól rögzített beszédkorpuszt egyesítettünk. Az elsô rész idôjárásjelentés-típusú mondatokból 1. táblázat A vizsgálathoz felhasznált adatbázisok méretei LXIII. ÉVFOLYAM 2008/5 13

HÍRADÁSTECHNIKA állt, amely különbözô idôjárási internetes oldalak tartalma alapján készült. A második rész egy állomás menetrendi információit felolvasó rendszer adatbázisa, amely a járatok érkezésével és indulásával kapcsolatos bemondásokat tartalmazza. A harmadik rész egy olyan adatbázis, amely 1200 többjegyû szám felolvasását tartalmazza [4]. Az adatbázisok néhány jellemzô adatát az 1. táblázat mutatja. Mindhárom adatbázis felvételei azonos körülmények között, azonos stúdióban, azonos mikrofonnal készültek. Látható, hogy az elsô idôjárásos adatbázis a legnagyobb. Az adatbázisból a szintetizátor az aktuális prognózisokat olyan minôségben tudja felolvasni, hogy a hangzás minôsége az emberi bemondásokkal közel azonos [2]. Az adatbázis tematikája a napi prognózisoknál bôvebb, orvos- és közlekedésmeteorológiai témájú mondatokat is tartalmaz. A második adatbázis kisebb és a mondatok változatossága sem túl nagy, sok azonos szerkezetû és jellegû mondat is található benne. A harmadik adatbázis csak számokat tartalmaz, a három közül ez a legszûkebb tematikájú. Ez az adatbázis a többihez képest kis mérete ellenére alkalmas a számok 1 milliárdig történô emberi minôségû szintetizálására. Ez azért lehetséges, mert a felolvasott többjegyû számok a fonetikai kapcsolódások figyelembevételével, alapos tervezés után lettek meghatározva [4]. 3.1.1. Szó-méretû elemek A korpuszos szintetizátor általában akkor adja a legjobb hangminôséget, amikor a leghosszabb, egybefüggô beszédrészleteket tudja felhasználni az adatbázisból. Ebben a vizsgálatban a szó az alapelem, amelybôl az összesített adatbázis 112602 db-ot tartalmaz. A különbözô szóalakok száma 6281. A nyelvben elôforduló gyakoriságukat figyelembe véve meghatározhatjuk, hogy ezek a szavak a szintetizálandó mondatok szavainak hány százalékát teszik ki. A szavak statisztikai elemzéséhez egy saját gyûjtésû, korábbi szövegadatbázis adatait használtuk fel [5]: Digitális Irodalmi Akadémia, internetes újságok cikkei és a Magyar Nemzeti Szövegtár (1999), összesen 80 millió szó. A 2. ábrán látható, hogy a nyelv leggyakoribb szavai a teljes nyelv szavainak hány százalékát fedik le. Amennyiben tehát a leggyakoribb 6000 szó állna rendelkezésünkre, akkor csak a 67%-ot tudnánk lefedni (nyíllal jelezve az ábrán). Méréseink szerint a rendelkezésünkre álló nem a leggyakoribb 6281 szóval a mért szövegadatbázis 45%-a fedhetô le, ami a szintetizálás szempontjából azt jelenti, hogy hozzávetôlegesen minden második szó esetén tudunk szó-méretû elemet felhasználni, a közbensô szavakat kisebb egységekbôl kell elôállítani. Ez öszszehasonlítva a korlátozott tematikájú rendszerekkel, lényegesen rosszabb minôséget prognosztizál. A szûk tematika esetén átlagosan csak minden 15. szót állítunk elô kisebb elemekbôl, ami biztosítja a jó minôséget. 3.1.2. Szónál kisebb méretû elemek A 45%-os szófedési adatból következik, hogy a kisebb elemekre gyakran lenne szükség a szintézis során. A kisebb elemek közül az egyedi hangok, a hangkapcsolatok, és a hanghármasok elôfordulását vizsgáltuk meg. A magyar nyelvû szintézishez minimálisan 33 különbözô hang szükséges a szünetet mint a hang induló és befejezô szakaszát is beleértve. Vizsgálatainknál a dz, dzs hangokat ritka elôfordulásuk miatt, valamint a rövid-hosszú oppozíciót nem vettük figyelembe. Az így mért adatbázisban 534162 hang szerepel. Egyedi hangok összefûzésébôl azonban nem lehet jó minôségû beszédet elôállítani, figyelembe kell venni a hangkörnyezetet is. Az egymásra hatások miatt az adatbázis fonetikai gazdagságáról jobb képet ad, ha a hangkapcsolatokat vizsgáljuk meg. Ilyen hangkapcsolatoknak nevezzük a kettôs hangkapcsolatokat (diádok), amelyek más szintézistechnikákban rendszeresen használt elemek. Egy diád egy hangkapcsolatban szereplô két egymás melletti félhangból áll. Az összesített adatbázisban több, 2. ábra Leggyakoribb szavak fedése 14 LXIII. ÉVFOLYAM 2008/5

Magyar nyelvû, kötött témájú korpusz-alapú beszédszintézis mint félmillió diád szerepel. A matematikailag lehetséges 1089 (33*33) darab különbözô diádból csupán 855 dbot találtunk meg az összesített adatbázisban. Ha csak azokat az diádokat számoljuk, amelyek legalább 15-ször elôfordultak, akkor csak 703 különbözô diád áll a rendelkezésünkre. A nagyon ritkán elôforduló diádokkal az lehet a probléma a szintetizáláskor, hogy a kevés jelölt miatt, nagyon korlátozott azoknak az utaknak a száma, amelybôl a szintetizátor kiválaszthatja a legjobbat, így a minôség várhatólag rosszabb lesz. Az 1089 különbözô diád élô nyelvben nem létezik, mert a nyelvtani és fonológiai szabályok miatt bizonyos kapcsolatok nem valósulhatnak meg. Például kizárólag a mássalhangzókat vizsgálva, a gyakorlatban csak 423 ilyen kettôs kapcsolat van jelen a beszédben [6], amennyiben az abszolút hangsorkezdô-záró állapotot is ide számoljuk. Annak megállapítására, hogy melyek azok a diádok, amelyek tetszôleges szöveg szintetizálásakor szükségesek lehetnek, a szavaknál mutatott statisztikai módszerhez hasonlót használtunk. A szószablya [7,8] magyar webkorpusz (mint független adatbázis) mondatait a szintetizátor betû-hang átalakító rendszerével átírattuk fonetikus formába, majd elôállítottuk ezekbôl ugyanazokat az adatokat, amelyeket az összesített adatbázisból is. A szószablya korpusz adatai a 2. táblázatban láthatók. Egy mondat átlagosan 83 diádból épül fel. A különbözô diádok száma itt már nagyobb, mint az összesített adatbázisban. A gyakorisági adatok szerint azok a diádok amelyek a szószablya webkorpuszban szerepelnek, de az összesített adatbázisban nem, az összes diád 1%-át teszik ki, ami azt jelenti, hogy átlagosan minden századik felhasználandó diád hiányozni fog. Ha csak diádokból építenénk fel a mondatot, akkor átlagosan 1,2 mondatonként lenne hiányzó diádunk, ami ha csak ebbôl a szempontból vizsgáljuk jó minôséget eredményezhetne. A hanghármasok vizsgálatára azért van szükség, mert a korpuszos szintetizátor hang-alapú mûködése során akkor lehet a legjobb a kiválasztott hang minôsége, ha a szintetizálandó mondat minden hangját (a környezetével együtt) megtaláljuk a beszédadatbázisban is. Ezt úgy biztosíthatjuk a keresésnél, hogy egy hang bal és jobb oldali szomszédját is figyelembe vesszük a célegyezési költség számításakor. Akkor optimális a helyzet, ha a szomszédos hangok ugyanazok, mint a szintetizált mondatban. Az adatbázis vizsgálatakor tehát most azt nézzük, hogy az ott megtalálható hanghármasok mennyire fedik le a magyar nyelvben használtakat. Az összesített adatbázisban 8727 db különbözô hanghármas található, amibôl 5748 db fordult elô legalább ötször. A hanghármasok statisztikai vizsgálatához a diádoknál is használt szószablya webkorpuszt használtuk. Az elkészített fonetikus átiratban megvizsgáltuk, hogy milyen hanghármasok fordultak elô a webkorpuszban. Összesen 27982 különbözô hanghármast találtunk, melyek közül 16643 fordult elô gyakran (legalább ezerszer). Abban az esetben, ha az összesített adatbázisban elôforduló összes hanghármas fedését vizsgáljuk, akkor az ott találtak a webkorpusz 96%-át fedik le. Ha a 15 vagy többször elôforduló hanghármasokat vesszük csak figyelembe, akkor a fedés csak 82%-os. Ezt az adatot annak függvényében kell vizsgálni, hogy jó minôségû beszédet abban az esetben is elô lehet állítani, ha az adott hanghármas nincs meg pontosan, csak a hang artikulációs pozíciója egyezik. Az azonos képzési helyû mássalhangzók (consonant-c) hatása a hozzájuk kapcsolódó magánhangzókra (vowel-v) hasonló [9]. Tehát ha egy VCV kapcsolatban a C-re csak azonos képzési helyû C1 helyettesítôt találunk, akkor a C1-hez kapcsolódó magánhangzó ugyanolyan akusztikai szerkezettel fog rendelkezni, mint a VCV kapcsolatban, a helyettesítés tehát nem rontja az akusztikai eredményt. Az összesített adatbázisról általánosságban elmondhatjuk tehát, hogy hang-szinten alkalmas tetszôleges beszéd elôállítására, hosszabb elemek szintjén azonban túl hiányos. 3.2. Prozódia Az emberi minôséghez közelítô szintetizált beszéd elôállításához nem elég az, ha az adatbázisban megtalálhatók az elôállítandó hangsornak megfelelô hangsorépítô elemek, hanem szükség van arra is, hogy a szintetizált mondat megfelelô prozódiával is rendelkezzen. Ha a prozódia nem megfelelô, a hallgató nem fogadja el természetes hangzású beszédnek a mondatot. A prozódia helyes elôállítása legalább olyan nehéz feladat, mint a hangsorépítô elemek biztosítása. A vizsgált, korlátozott tematikájú szintetizátorok adatbázisa csak kijelentô mondatokat tartalmaz. Mivel a kérdô mondat prozódiája jelentôsen eltér ezektôl, ezért a kérdô mondatokat az aktuális algoritmusok ezzel az adatbázissal nem képesek elôállítani. A kérdô mondatok elôállításához vagy olyan adatbázis kell, amely nagy számban tartalmaz kérdô mondatokat is, vagy olyan prozódia kiválasztó és megvalósító algoritmusok szükségesek, amelyek ezeket meg tudják valósítani. A továbbiakban már csak azt vizsgáljuk, hogy kijelentô mondatok esetében milyen esély van a helyes prozódia megvalósítására. A vizsgált kötött témájú korpusz-alapú szintetizátorban a prozódia modellezése úgy történik, hogy figyeljük a szavak mondatbeli pozícióját [3]. A mondatokat elsô lé- 2. táblázat A szószablya korpusz fôbb adatai LXIII. ÉVFOLYAM 2008/5 15

HÍRADÁSTECHNIKA pésben tagmondatokra bontjuk, majd ezen belül is meghatározzuk a szó helyzetét. A talált szóalakok vizsgálata során láthattuk, hogy azok átlagosan 45%-ban fedik le a magyar nyelvet, tehát a helyes prozódia is ilyen arányban állhat elô a szavakból a legjobb esetben. Az adatbázisban kis számban elôforduló szavak esetén az is elôfordulhat, hogy a szó ugyan egészben szerepel az adatbázisban, de nem a megfelelô mondatbeli pozícióban, ezért nem a megfelelô prozódiai információt hordozza. Abban az esetben, ha kisebb elemekbôl, építi fel a mondatot a szintetizátor, akkor már nem veszi figyelembe ezeket a mondatbeli pozíció információkat. Elôfordulhat tehát, hogy egy hangsúlyos szót olyan szavak elemeibôl állít elô, amelyek hangsúlytalanok, ezért a kimenet is hangsúlytalan lesz. Aprozódia megvalósításáról tehát összegezve azt mondhatjuk el, hogy csak akkor várható el viszonylag elfogadható hangzás, ha a szintézis szó szinten tudja biztosítani a hangsorépítô elemeket és ezekbôl is elég számú van a beszédadatbázisban, amelyek a prozódiai változatosságot biztosítják. 4. Meghallgatásos tesztek A beszédszintézis rendszerek minôségét meghallgatásos tesztek során végzett szubjektív minôsítéssel lehet összehasonlítani. Ennek egyik módja a MOS (Mean Opinion Score átlagos szubjektív osztályzat) teszt alkalmazása. A tesztekhez mondatokat válogattunk két témakörbôl. Az elsôben hírolvasásból, a másodikban egy mesébôl származtak a mondatok. Az elôállított tesztanyag 5-5 szintetizált mondatot tartalmazott, amelyek eltérô hosszúságúak voltak. A mondatokat meghallgató és értékelô személyek számára az volt az utasítás, hogy egy 5-ös skálán értékeljék a minôséget (5-ös a legjobb érték). A tesztben továbbá szerepeltek a korpuszos szintetizátor eredeti mondatai is, amelyek a tematikának megfelelô idôjárás jelentések voltak. A teszt internetes elérhetôségû volt, a tesztelôk a mondatokat véletlen sorrendben hallgatták meg. A teszt tartalmazott egy bevezetô részt is, amely azt a célt szolgálta, hogy a tényleges értékelés elôtt már képet kapjanak arról, hogy milyen minôségû mondatokat fognak hallani. A teszt során a tesztelôk nyilatkoztak arról is, hogy milyen eszközön, milyen környezetben hallgatják a mondatokat. Atesztet 10 személy értékelte ki; 3 nô és 7 férfi. Az átlagéletkor 32 év volt. A tesztelôk mindegyike csendes környezetben hallgatta meg a mondatokat, a legtöbben átlagos minôségû eszközökön. A tesztelôk fele-fele arányban használtak hangszórót és fejhallgatót. A 3. ábrán az elsô oszlop mutatja a korpuszos szintetizátorral elôállított, a témakörbe vágó mondatok értékelését. A második, vonalazott oszlop a hír és mese témakörökbôl válogatott mondatok átlaga. Az utolsó két oszlopon a két témakör külön-külön számított átlaga látható. A tematikán kívüli mondatok érthetôsége roszszabb és kevésbé természetesek, mint az adatbázisnak megfelelô tematikájú korábban szintetizált mondatok. A különbség a két átlag között több mint 2, ami azt jelenti, hogy a minôségromlás jelentôs. Az eredményekbôl az is megállapítható, hogy az eredeti tematikához közelebb álló hírjellegû mondatok jobbak, mint a tematikától messze álló meserészlet, bár ezek eltérése kicsi, ha a témakörbe vágó mondatokhoz viszonyítjuk. A meghallgatás utáni szabad véleményalkotás során kiderült, hogy a tesztelôk szerint a mondatok egyes részei mind prozódiában, mind akusztikai szerkezetben lényegesen különböztek egymástól. Voltak részek, amelyek sokkal jobb osztályzatot kaptak volna, de a mondat többi része lehúzta az értékelést. A legtöbbet említett jelenség az egyenetlen minôség volt. 5. Fejlesztési lehetôségek Az adatbázisok elemzésébôl látható, hogy méretük növelése egyértelmûen javíthatja a generálandó szintetizált beszéd minôségét. Ezt a kötött témakörû rendszerek fejlesztése során már többször alkalmaztuk. Ha újabb mondatok szintetizálásának igénye jelent meg és a szintézis hangminôsége nem volt megfelelô, akkor egy jól megtervezett hangfelvétellel az adatbázist úgy bôvítettük, hogy ezután ezeket az újabb mondatokat is jó minôségben tudta elôállítani a rendszer. Amennyiben viszont azt szeretnénk, hogy tetszôleges tematikájú mondatot is szintetizálni tudjunk megfelelô minôségben, akkor az adatbázist olyan mértékben kellene bôvíteni ezzel a módszerrel, amely nehezen vagy gyakorlati szempontból egyáltalán nem megoldható. A jelenleg használt adatbázis 6281 különbözô szót tartalmaz. Ha azt szeretnénk elérni, hogy az adatbázisban a magyar szavak 95%-a szerepeljen, akkor a 2. ábrából leolvashatjuk, hogy ehhez hozzávetôlegesen 150 3. ábra Szubjektív minôsítés átlagai az egyes tematikákra 16 LXIII. ÉVFOLYAM 2008/5

Magyar nyelvû, kötött témájú korpusz-alapú beszédszintézis ezer szót kellene felvenni legalább ötfajta mondatbeli pozícióban. Ez azt jelenti, hogy a meglévô adatbázishoz képest körülbelül 700 ezer szót tartalmazó mondatkorpuszt kellene a bemondóval bemondatni és feldolgozni. Ez a meglévô adatbázis 10 órájához képest, nagyságrendileg újabb 100 óra felvételt jelentene, ha sikerülne egyáltalán ezeket a mondatokat megalkotni. Ennek teljesítése irreális követelmény. A másik megközelítés lehet a minôség javítására, hogy a korábbi szintetizátortechnikáknál használt prozódiai modulok kimeneti információit használjuk fel az általános korpuszos szintetizátorban. Tapasztalatból tudható azonban, hogy az emberi hangminôség amelyet a szintetizátor akkor nyújt, amikor a saját tematikájának megfelelô mondatokat állít elô nem érhetô el ezzel a technikával. Ezzel a módszerrel azonban ki lehet egyenlíteni azokat a minôségbeli durva egyenetlenségeket, amelyek a meghallgatásos teszt során az észlelôk kifogásoltak. Egy korábbi, elemösszefûzéses technikájú szintetizátor 2,5-es szubjektív minôsítést ért el egy hasonló meghallgatásos teszt során[2]. Tehát ha ennek a szintetizátornak a prozódiai információt és a korpuszos szintetizátor bôvebb hangadatbázisát egyesíteni tudjuk, akkor várhatóan a mostani 2 körüli minôsítést a régebbi technikájú szintetizátor 2,5-es minôsége fölé tudjuk vinni. 6. Összefoglalás A korlátozott tematikára tervezett beszédadatbázis és a hozzá kapcsolódó korpuszos beszédszintetizátor változtatás nélkül nem alkalmas tetszôleges tematikájú mondatok elôállítására. Amennyiben mégis ilyen irányú fejlesztést kívánunk elindítani, akkor a szintetizátor minôségének egyik javítási megoldása lehet az adatbázis növelése. Ez a jelentôs mennyiségû adatbôvülés miatt nehezen megvalósítható. A másik megoldás a prozódiai modul fejlesztése, a- mellyel az érthetôség jól javítható. Ennek a hátránya, hogy további jelfeldolgozást kíván meg, amely a természetes hangzást ronthatja, de elkerülhetô vele az egyenetlen minôség a hangzásban. Köszönetnyilvánítás Irodalom [1] Németh Géza, Olaszy Gábor, Fék Márk: Új rendszerû, korpusz alapú gépi szövegfelolvasó fejlesztése és kísérleti eredményei. Beszédkutatás 2006. Szerk.: Gósy Mária. MTA Nyelvtudományi Intézet, 2006, pp.183 196. [2] Fék M., Pesti P., Németh G., Zainkó Cs.: Generációváltás a beszédszintézisben. Híradástechnika, 2006/3. pp.21 30. [3] Olaszy Gábor: A korpusz alapú beszédszintézis nyelvi, fonetikai kérdései. Híradástechnika 2006/3. pp.43 50. [4] Olaszy G., Németh G.: IVR for Banking and Residential Telephone Subscribers Using Stored Messages Combined with a New Number-to-Speech Synthesis Method. In: Human Factors and Voice Interactive Systems, Ed.: Daryle Gardner-Bonneau. Kluwer Academic Publishers, 1999, pp.237 256. [5] G. Németh, Cs. Zainkó: Multilingual Statistical Text Analysis, Zipf s Law and Hungarian Speech Generation, Acta Linguistica Hungarica, Vol. 49. (3-4), 2002, Akadémiai Kiadó, pp.385 405. [6] Olaszy Gábor: Mássalhangzó-kapcsolódások a magyar beszédben. Tinta Kiadó, Budapest, 2007. [7] Halácsy Péter, Kornai András, Németh László, Rung András, Szakadát István, Trón Viktor: Creating open language resources for Hungarian, In: Proc. of the 4th International Conference on Language Resources and Evaluation (LREC) 2004. [8] Kornai, A., Halácsy, P., Nagy, V., Oravecz, Cs., Trón, V., Varga, D.: Web-based frequency dictionaries for medium density languages, In: Proc. of the 2nd Int. Workshop on Web as Corpus, Ed.: Adam Kilgarriff, Marco Baroni, ACL-06, 2006, pp.1 9. [9] Olaszy Gábor: Az artikuláció akusztikai vetülete a hangsebészet elmélete és gyakorlata. KIFLAF 2003, Szerk.: Hunyadi László. Debreceni Egyetem, pp.241 254. Köszönöm a BME TMIT Beszédtechnológiai laboratórium munkatársainak segítségét, bátorítását. A kutatást részben az NKFP 2. programja támogatta (szerzôdésszám: 2/034/2004). A szerzôrôl Zainkó Csaba 1999-ben végzett a BME Villamosmérnöki és Informatikai Kar Médiainformatika szakirányon és azóta a Távközlési és Médiainformatikai Tanszék Beszédtechnológiai laboratóriumában dialógusrendszerek és az ahhoz kapcsolódó komponensek kutatásával és fejlesztésével foglalkozik. Részt vett az elsô magyar nyelvû elektronikus levél felolvasó és a számszerinti tudakozó fejlesztésében. Jelenleg a korpusz-alapú beszédszintézis technológiájának vizsgálata áll kutatási témájának középpontjában. LXIII. ÉVFOLYAM 2008/5 17

Beszédadatbázisok elôkészítése kutatási és fejlesztési célok hatékonyabb támogatására NÉMETH GÉZA, OLASZY GÁBOR, BARTALIS MÁTYÁS, ZAINKÓ CSABA, FÉK MÁRK, MIHAJLIK PÉTER BME Távközlési és MédiainformatikaiTanszék {nemeth, olaszy, bartalis, zainko, fek, mihajlik}@tmit.bme.hu Lektorált Kulcsszavak: beszédadatbázisok, címkézés, korpusz alapú beszédszintézis, hanghatárkorrekció A nagyméretû beszédadatbázisok készítése az utóbbi évtizedekben vált szükségessé, hogy támogassák egyrészrôl a beszédkutatást, másrészrôl a mûködô beszédinformációs rendszerek fejlesztését. Az ilyen adatbázisok akkor szolgálhatják jól a tudományt, ha részletes belsô címkézéssel is rendelkeznek. Jelen cikkben olyan adatbázisokkal foglalkozunk, amelyek egyetlen bemondótól felvett, sok mondatból álló, több órányi anyagot tartalmaznak. Az ilyen beszédadatbázisok címkézésénél alapvetô gond, hogy a címkézést teljes mértékben emberi erôvel nem lehet elvégezni a munka nagysága miatt. A cél viszont az, hogy a címkék a lehetô legpontosabban legyenek bejelölve a hullámformában. A cikkben ismertetett új hibrid eljárást eredményesen lehet alkalmazni az ilyen munkákhoz, szinte hibamentes címkézés érhetô el, idôigénye is elviselhetô (2-3 nap egy több órás adatbázisra). Az így készített beszédadatbázisokban a keresés megbízható eredményeket ad, melyet fel lehet használni a beszédkutatásban, a beszédszintézisben és a beszédfelismerésben is. 1. Bevezetés A részletes címkézés érintheti a szegmentális szerkezetet (hanghatárok, szavak határai), valamint a szupraszegmentális szintet (hangsúlyok, dallammenetek, szünetek, prozódiai egységek). Az adatbázisok címkézési munkáit nagy méretük miatt csak jelentôs szoftver-támogatással lehet költséghatékonyan elvégezni. Léteznek már évek óta magyar beszédadatbázisok, amelyeket fôleg beszédfelismerô algoritmusok tanítására fejlesztettek [7,8]. Ezekben általában sok beszélôtôl vettek beszédmintát és a címkézési munkákat még többnyire jelentôs mértékben kézi erôvel végezték. Jelen cikkben olyan adatbázisokkal foglalkozunk, amelyek egyetlen bemondótól felvett, sok mondatból álló anyagot tartalmaznak. Ezek címkézésérôl van szó. Egyelôre a hanghatárok bejelölésével kapcsolatos szoftverrendszer fejlesztésérôl és annak mûködési tapasztalatairól számolunk be. A rendszert a BME Távközlési és Médiainformatikai tanszékén fejlesztették és az ottani beszédadatbázisokhoz használják. Az eljárás fontos tulajdonsága, hogy szoftveres elemek és emberi erôforrás váltogatják egymást a feldolgozás során. A beszédfeldolgozás egyes pontjain még ma sem lehet kihagyni az emberi döntéshozatali tényezôt. Az eredmények igazolják, hogy ilyen hibrid eljárással elérhetô a szinte hibamentes címkézés, ennek ára viszont a bonyolult, kissé idôigényesebb feldolgozás. Az ilyen adatbázisokból pontos és megbízható adatok nyerhetôk. A vizsgált adatbázisokról kapott információk azt is megmutatják, hogy az egyes beszélôk közötti hangszintû beszédképzési eltérések számszerû adatokkal is jellemezhetôk, ami a személyre szabott szoftveres beszédjellemzés egyik kísérleti megvalósításának is tekinthetô. 2. A munka célja, módszere és a feldolgozott anyag A nagyméretû beszédadatbázisok hullámformáját ma már el lehet látni hanghatár-címkékkel szoftver segítségével, azonban az eredmény sohasem teljesen pontos. Ez annak a következménye, hogy a beszédjel biológiai mechanizmus terméke. A beszéd elôállítása során a pillanatnyi motoros és artikulációs történések határozzák meg a kisugárzott hullámformát (ugyanazon mondat többszöri kiejtése során minden esetben más akusztikai eredményt kapunk, a hangzás csak globálisan, nyelvi szempontból lesz ugyanaz). A gépi címkézés pontossága sok tényezôtôl függ. A jelen kísérlet célkitûzése az, hogy tegyük teljessé a címkézést, a szoftveres alapcímkézés eredményét javítsuk tovább célzott szubrutinokkal, a géppel nem javítható hibákat pedig emberi erôvel javítsuk. Eredményként olyan beszédadatbázist kapunk, amelyikben egyrészrôl úgymond minden hanghatár helyesen van bejelölve, másrészrôl a beszédhangok minôségi osztályozására is vannak jelzések. Ez utóbbi megjegyzésen a következôket értjük. Az emberi beszédben a hangkapcsolódások artikulációjából adódóan elôfordulhatnak olyan hangok, amelyek belsô szerkezetüket tekintve torzultak és nem felelnek meg a fonetikai hangleírásoknak [4]. Ezek a torzult hangok ugyan szerves részét képezik a hangsornak, de csak a saját szélesebb hangkörnyezetüket tekintve (a szó, amiben szerepelnek) adják meg az emberi percepciós rendszernek a megértéshez szükséges akusztikai információkat. Az ilyen hangok megjelölése azért fontos, mert az adatbázis felhasználása során ezek a hangok szétválaszthatók a többitôl (például hangzásvariációk keresésekor, vagy beszédszintézisnél, amikor el kell dönteni, hogy mikor melyik hangot használjuk 18 LXIII. ÉVFOLYAM 2008/5

Beszédadatbázisok elôkészítése... stb.). Az ilyen, jól címkézett beszédadatbázisok a késôbbiekben sokféle célra felhasználhatók az oktatásban, a kutatásban és az alkalmazás-fejlesztésekben is. A cél megvalósítására a hagyományos egylépcsôs gépi megoldással szemben fokozatos kialakítású, többlépcsôs javító rendszert fejlesztettünk ki. A kísérletek azt mutatták, hogy a nagy pontosságú címkézéshez olyan hibrid megoldást kell keresni, amelyben az egyes lépcsôk futtatása között emberi döntéseket is kell hozni, hangolni kell bizonyos szoftverelemeket (nem teljesen automatikus címkézésrôl van szó). A célkitûzéshez tartozott az is, hogy minimumra csökkentsük a manuálisan javítandó hibák számát, vagyis ésszerûen kézben tartható hibamennyiség maradjon a szoftveres feldolgozás után (max. 500 hiba/adatbázis, amely manuálisan 2-3 óra munkával javítható). A feldolgozáshoz és az eredmények megjelenítéséhez a Praat 4.0 szoftvert is használtuk [1]. A gyakorlati tapasztalatok azt is megmutatták, hogy a címkézési folyamat beszélôfüggô megoldást kíván egészen addig, amíg elegendô mennyiségû, különbözô beszélôtôl felvett adatbázis feldolgozása meg nem történik (az adott nyelvre). Az ilyen adatbázisok készítésénél maga a hangfelvétel létrehozása is komoly munkát igényel, ezért jelenleg kevés beszélôtôl áll rendelkezésre nagyméretû beszédadatbázis. A jelen munkában csak a kezdetekrôl tudunk beszámolni, mindössze négy beszédadatbázis hangfelvételét készítettük el és dolgoztuk fel (három képzett nôi beszélô: N1, N2, N3 és egy férfihang: F1). Megvizsgáltuk a beszélôk közötti kiejtési (hangképzési) jellegzetességeket is, amelyek befolyásolják a helyes szoftveres címkézést. Mindegyik adatbázis a BME Távközlési és Médiainformatikai Tanszék beszédkutató laboratóriumában található. Az adatbázisok néhány jellemzô adatát az 1. táblázatban láthatjuk. 4. Az alapcímkézés Az alapcímkézést géppel végezzük (4.3. pont), a hibajavításokat gépi és emberi feldolgozással. A hangfelvétel elvégzése után két elôkészítô lépést kell elvégezni, hogy a gépi alap címkézést elkezdhessük. 4.1. Elsô lépés A felolvasáshoz alkalmazott karaktersorozatot betûsorozattá alakítjuk, ahol a szövegben rövidítés vagy szám van, azt feloldjuk és betûkkel kiírjuk. Az így átalakított eredeti szöveg csak betûkaraktereket tartalmaz majd. A konvertálást célprogram végzi, amely a Profivox beszédszintetizátor szöveg-szöveg átalakító moduljának felhasználásával készült [6]. Példa: Eredeti szöveg: A hômérséklet június 3-án Bp-en -3 C körül várható. Átirat: A hômérséklet június harmadikán Budapesten mínusz három celziusz fok körül várható. 4.2. Második lépés Ebben a lépésben végezzük el a szöveg-beszédhullám szinkron ellenôrzését. Egy szakértô meghallgatja a mondatokat, közben vizuálisan ellenôrzi a hozzájuk tartozó szöveget (a 4.1. szerint). E vizsgálattól függ a további munka sikeressége. Ezt a folyamatot csak ember tudja elvégezni. Ez a munkafázis meglehetôsen sok idôt vesz igénybe és komoly koncentrációt kíván. A talált hibák kijavítása után elméletileg a két médium szinkronban van egymással (a gyakorlat azt mutatja, hogy néhány hiba azért benne marad valamelyikben, ez a késôbbi szoftverellenôrzéskor kiderül és akkor javítjuk). 3. A címkézésre kidolgozott módszer A új, hibrid gépi címkézési eljárás moduljai az 1. ábrán láthatók. 1. ábra A beszédadatbázis hanghatárainak címkézési folyamata 1. táblázat A feldolgozott beszédadatbázisok adatai LXIII. ÉVFOLYAM 2008/5 19